摘 要: 對于傳統的對移動臺的定位,提出了一種基于粒子群(PSO)優化神經網絡的算法。這一PSO-BP算法首先利用PSO對神經網絡傳統的目標函數及參數進行優化,再利用改進后的BP神經網絡對非視距誤差(NLOS)進行修正,最后利用算法LS進行移動臺的定位。仿真結果表明,該基于PSO的神經網絡定位算法尋優效果穩定,預測誤差小,具有可行性。
關鍵詞: 粒子群;神經網絡;NLOS誤差;定位算法
現有的蜂窩網無線定位系統包含了基于移動臺的無線定位、基于移動通信的無線定位等。移動通信網絡中信道環境復雜多變,尤其是在市區受阻礙物引起的多徑干擾和非視距NLOS誤差極大地影響了定位精度。利用BP神經網絡具有學習速率快、結構簡單等優點來修正NLOS誤差,但是傳統的BP神經網絡結構參數存在很大的缺點,容易陷入局部最小值,需要優化神經網絡并用于提升無線定位精度。
BP神經網絡是一種前向型反饋神經網絡,在反向傳播的算法中通過改進的PSO合理迭代確定。參考文獻[1-2]利用基站的坐標通過定義殘差函數,對定位結果進行加權得到移動臺的位置,參考文獻[3]提出了迭代次數更少,收斂速度更快的改進的粒子群優化算法,參考文獻[4]提出了一種利用BP神經網絡模型對NLOS誤差的修正。本文結合粒子群優化算法和BP神經網絡的特點,利用了網絡的學習特點和粒子群的跟蹤遍歷迭代尋找最優解,修正NLOS誤差之后,再通過測量值TDOA使用LS算法進行位置估計。跟蹤仿真驗明該定位算法有較高的精度。
輸入向量為:
P=[TDOA21,TDOA31,TDOA41,TDOA51,
圖3為在不同的測量誤差下本文算法與其他常用算法的跟蹤比較結果。隨著測量誤差的增加,幾種算法的定位性能都有一定程度的降低。從定位效果上看,本文算法有較好的穩定性能,明顯優于BP算法和LS算法。說明PSO-BP對于誤差的增大有較好的適應性。
圖4為在不同小區服務半徑下本文算法與其他常用算法的跟蹤比較結果,縱坐標為各個算法跟蹤結果的均方誤差值。由于半徑的增加,BS和MS之間的距離有所增大,導致NLOS誤差增加,所以定位精度下降。由圖看出,本文PSO-BP算法在不降低BP網絡學習能力的情況下具有更好的穩定性。
本文將粒子群算法應用于BP神經網絡的TDOA定位算法中,該算法結合了粒子群收斂速度快及神經網絡的學習特性等優點,通過對NLOS誤差的修正最終利用LS算法進行位置估計。仿真結果表明,本文算法定位精度高,性能穩定,收斂速度快,與其他算法相比有較高的辨識精度,證明了該算法的有效性和可行性。
參考文獻
[1] Wang Hongyan,Lan Yunfei,Pei Bingnan,et al.A Location algorithm based on TDOA under NLOS environment[J]. Computer Simulation,2007,24(9):116-119.
[2] 張令文,談振輝.基于泰勒級數展開的TDOA定位新算法[J].通信學報,2007,28(6):7-11.
[3] 侯志榮,呂振肅.基于MATLAB的粒子群優化算法及其應用[J].計算機仿真,2003,10(20):66-70.
[4] Mao Yongyi,Li Mingyuan,Zhang Baojun.Cellular localization algorithm based on BP neural network[J].Computer Engineering and Applications,2008,44(3):60-63.
[5] 田雨剝,朱人杰,薛權祥.粒子群優化算法中慣性權重的研究進展[J].計算機工程與應用,2008,44(23):39-41.
[6] 王麗,王曉凱.一種非線性改變慣性權重的粒子群算法[J]. 計算機工程與應用,2007,43(4):47-48,92.
[7] 王啟付,王戰江,王書.一種動態改變慣性權重的粒子群優化算法[J].計算機系統應用,2010,19(2):58-61.
[8] 沈學利,張紅巖,張紀鎖.改進粒子群算法對BP神經網絡的優化[J].計算機系統應用,2010,19(2):58-61.
[9] 崔海青,劉希玉.基于粒子群算法的RBF網絡參數優化算法[J].計算機技術與發展,2009,12(12):117-119,169.
[10] BOCCADORO M,ANGELIS G D,VALIGI P.TDOA positioning in NLOS scenarios by particle filtering[J].2012,18(5):579-589.
[11] 毛永毅,李明遠,張寶軍.基于BP神經網絡的蜂窩無線定位算法[J].系統工程與電子技術,2008,30(9):1798-1880.